Fugu-MT 論文翻訳(概要): Practical design and performance of physical reservoir computing using hysteresis

論文の概要: Practical design and performance of physical reservoir computing using hysteresis

arxiv url: http://arxiv.org/abs/2507.06063v2
Date: Sun, 17 Aug 2025 08:08:50 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-19 14:49:10.118515
Title: Practical design and performance of physical reservoir computing using hysteresis
Title（参考訳）: ヒステリシスを用いた物理貯水池計算の実用設計と性能評価
Authors: Yuhei Yamada,
Abstract要約: 物理貯水池コンピューティングは、物理現象を計算資源として利用する革新的なアイデアである。本研究では,物理貯水池計算の実用化に適したモデルとして,独立したヒステリックシステムからなる貯水池に着目した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Physical reservoir computing is an innovative idea for using physical phenomena as computational resources. Recent research has revealed that information processing techniques can improve the performance, but for practical applications, it is equally important to study the level of performance with a simple design that is easy to construct experimentally. We focus on a reservoir composed of independent hysteretic systems as a model suitable for the practical implementation of physical reservoir computing. In this paper, we discuss the appropriate design of this reservoir, its performance, and its limitations. This research will serve as a practical guideline for constructing hysteresis-based reservoirs.
Abstract（参考訳）: 物理貯水池コンピューティングは、物理現象を計算資源として利用する革新的なアイデアである。近年,情報処理技術によって性能が向上することが報告されているが,実用的応用においては,簡易な設計で実験的に構築が容易な性能のレベルを研究することが重要である。本研究では,物理貯水池計算の実用化に適したモデルとして,独立したヒステリックシステムからなる貯水池に着目した。本稿では, この貯水池の適切な設計, 性能, 限界について論じる。この研究はヒステリシスを基盤とした貯水池構築のための実践的ガイドラインとして機能する。

関連論文リスト

A theoretical framework for reservoir computing on networks of organic electrochemical transistors [0.0]
有機電気化学トランジスタ (OECTs) は非線形過渡特性を持つ物理デバイスである。我々は,OECTを非線形単位として,貯水池コンピュータをシミュレーションするための理論的枠組みを提案する。このような実装は、標準的な貯水池コンピュータ実装に匹敵する性能で、ロレンツアトラクションを正確に予測できることを示す。
論文参考訳（メタデータ） (2024-08-17T15:04:09Z)
Reservoir Computing with Generalized Readout based on Generalized Synchronization [0.0]
貯留層コンピューティング(Reservoir computing)は、非線形力学を利用する機械学習フレームワークである。本稿では,貯水池変数の非線形結合を含む一般化された読み出しを伴う新しい貯水池計算フレームワークを提案する。数値実験により, 一般化された読み出しの導入は, 精度の大幅な向上と, 頑健さの予期せぬ向上につながることがわかった。
論文参考訳（メタデータ） (2024-05-03T10:03:59Z)
Deep Photonic Reservoir Computer for Speech Recognition [49.1574468325115]
音声認識は人工知能の分野で重要な課題であり、目覚ましい進歩を目撃してきた。深い貯水池コンピューティングはエネルギー効率が高いが、よりリソース集約的な機械学習アルゴリズムと比較して、パフォーマンスに制限がある。フォトニック方式の深層貯水池コンピュータを提案し,その性能を音声認識タスクで評価する。
論文参考訳（メタデータ） (2023-12-11T17:43:58Z)
Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文参考訳（メタデータ） (2023-08-27T03:55:28Z)
Limits to Analog Reservoir Learning [0.0]
アナログ貯水池コンピュータの学習能力に及ぼす雑音の影響について検討する。情報処理能力(IPC)はノイズによる性能劣化の定量化に有用な指標であることを示す。ノイズに晒された物理的アナログ貯水池コンピュータは、学習量の増加にのみ利用できると結論付けている。
論文参考訳（メタデータ） (2023-07-26T19:41:05Z)
Learnability with Time-Sharing Computational Resource Concerns [65.268245109828]
本稿では,学習理論における計算資源の影響を考慮した理論的枠組みを提案する。このフレームワークは、入ってくるデータストリームが潜在的に無限であるようなストリーム学習に自然に適用できる。これはまた、インテリジェントなスーパーコンピュータオペレーティングシステムの設計に対する理論的視点を提供するかもしれない。
論文参考訳（メタデータ） (2023-05-03T15:54:23Z)
Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文参考訳（メタデータ） (2023-04-20T19:15:02Z)
Unpacking Reward Shaping: Understanding the Benefits of Reward Engineering on Sample Complexity [114.88145406445483]
強化学習は、ハイレベルな報酬仕様から行動を学ぶための自動化されたフレームワークを提供する。実際には、良い結果を得るためには報酬関数の選択が不可欠である。
論文参考訳（メタデータ） (2022-10-18T04:21:25Z)
Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文参考訳（メタデータ） (2022-03-11T02:37:35Z)
The Computational Capacity of LRC, Memristive and Hybrid Reservoirs [1.657441317977376]
貯留層計算(Reservoir computing)は、高次元力学系(enmphreservoir)を用いて時系列データを近似し予測する機械学習パラダイムである。本稿では, 線形素子(抵抗素子, インダクタ, コンデンサ)と非線形メモリ素子(メムリスタ)の両方を含む電子貯水池の実現可能性と最適設計について分析する。我々の電子貯水池は、従来の「エコステートネットワーク」貯水池の性能と直接ハードウェアで実装される形で一致または超過することができる。
論文参考訳（メタデータ） (2020-08-31T21:24:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。